論文の概要: Assessing Uncertainty Estimation Methods for 3D Image Segmentation under
Distribution Shifts
- arxiv url: http://arxiv.org/abs/2402.06937v1
- Date: Sat, 10 Feb 2024 12:23:08 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-13 18:31:08.607481
- Title: Assessing Uncertainty Estimation Methods for 3D Image Segmentation under
Distribution Shifts
- Title(参考訳): 分布シフト下における3次元画像分割の不確かさ推定手法の評価
- Authors: Masoumeh Javanbakhat, Md Tasnimul Hasan, Cristoph Lippert
- Abstract要約: 本稿では, 分布シフトしたサンプルを検出するために, 最先端ベイズ法と非ベイズ法を併用する可能性について検討する。
後部分布における一様あるいは多様の局面を捉えるために, 3つの異なる不確実性推定法を比較した。
その結果, 後方分布におけるマルチモーダル特性に対処できる手法により, より信頼性の高い不確実性推定が可能であることが示唆された。
- 参考スコア(独自算出の注目度): 0.36832029288386137
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In recent years, machine learning has witnessed extensive adoption across
various sectors, yet its application in medical image-based disease detection
and diagnosis remains challenging due to distribution shifts in real-world
data. In practical settings, deployed models encounter samples that differ
significantly from the training dataset, especially in the health domain,
leading to potential performance issues. This limitation hinders the
expressiveness and reliability of deep learning models in health applications.
Thus, it becomes crucial to identify methods capable of producing reliable
uncertainty estimation in the context of distribution shifts in the health
sector. In this paper, we explore the feasibility of using cutting-edge
Bayesian and non-Bayesian methods to detect distributionally shifted samples,
aiming to achieve reliable and trustworthy diagnostic predictions in
segmentation task. Specifically, we compare three distinct uncertainty
estimation methods, each designed to capture either unimodal or multimodal
aspects in the posterior distribution. Our findings demonstrate that methods
capable of addressing multimodal characteristics in the posterior distribution,
offer more dependable uncertainty estimates. This research contributes to
enhancing the utility of deep learning in healthcare, making diagnostic
predictions more robust and trustworthy.
- Abstract(参考訳): 近年、機械学習は様々な分野で広く採用されているが、医療画像に基づく疾患の検出と診断への応用は、実世界のデータの分散シフトのために依然として困難である。
実際の設定では、デプロイされたモデルはトレーニングデータセット、特に健康領域で大きく異なるサンプルに遭遇し、潜在的なパフォーマンス上の問題を引き起こす。
この制限は、健康アプリケーションにおけるディープラーニングモデルの表現性と信頼性を妨げる。
したがって、保健部門における分布シフトの文脈において、信頼性の高い不確実性推定を行える方法を特定することが重要となる。
本稿では,切削エッジベイズ法と非ベイズ法を用いて分布シフトサンプルの検出を行い,セグメント化タスクにおける信頼性と信頼性の確保を目指す。
具体的には、3つの異なる不確かさ推定法を比較し、それぞれが後方分布のユニモーダルあるいはマルチモーダルな側面を捉えるように設計した。
本研究は, 後方分布におけるマルチモーダル特性に対処できる手法が, 信頼性の高い不確実性推定を提供することを示した。
この研究は、医療におけるディープラーニングの有用性の向上に寄与し、診断予測をより堅牢で信頼性の高いものにする。
関連論文リスト
- Empirical Validation of Conformal Prediction for Trustworthy Skin
Lesions Classification [4.192712667327956]
コンフォーマル予測(Conformal Prediction)は、モンテカルロ・ドロップアウトとエビデンシャル・ディープ・ラーニング(Evidential Deep Learning)手法とともに、分布のない不確実性定量化技術である。
実験結果から,多種多様な条件にまたがる共形予測の堅牢性と一貫した性能について考察した。
論文 参考訳(メタデータ) (2023-12-12T17:37:16Z) - Uncertainty Quantification in Machine Learning Based Segmentation: A
Post-Hoc Approach for Left Ventricle Volume Estimation in MRI [0.0]
左室容積推定は各種心血管疾患の診断・管理に重要である。
近年の機械学習、特にU-Netのような畳み込みネットワークは、医療画像の自動セグメンテーションを促進している。
本研究では,LV容積予測におけるポストホック不確実性推定のための新しい手法を提案する。
論文 参考訳(メタデータ) (2023-10-30T13:44:55Z) - Benchmarking Scalable Epistemic Uncertainty Quantification in Organ
Segmentation [7.313010190714819]
モデル予測に関連する不確実性の定量化は 重要な臨床応用に不可欠です
自動臓器分割のためのディープラーニングに基づく手法は,診断と治療計画を支援する上で有望であることを示す。
医用画像解析設定においてどの方法が好ましいかは不明確である。
論文 参考訳(メタデータ) (2023-08-15T00:09:33Z) - Ambiguous Medical Image Segmentation using Diffusion Models [60.378180265885945]
我々は,グループ洞察の分布を学習することで,複数の可算出力を生成する単一拡散モデルに基づくアプローチを提案する。
提案モデルでは,拡散の固有のサンプリングプロセスを利用してセグメンテーションマスクの分布を生成する。
その結果,提案手法は既存の最先端曖昧なセグメンテーションネットワークよりも優れていることがわかった。
論文 参考訳(メタデータ) (2023-04-10T17:58:22Z) - Reliable Multimodality Eye Disease Screening via Mixture of Student's t
Distributions [49.4545260500952]
眼疾患スクリーニングのための新しい多モード顕在核融合パイプラインEyeMoStについて紹介する。
本モデルでは,一様性に対する局所的不確実性と融合モードに対する大域的不確実性の両方を推定し,信頼性の高い分類結果を生成する。
パブリックデータセットと社内データセットの両方に関する実験結果から、我々のモデルは現在の手法よりも信頼性が高いことが判明した。
論文 参考訳(メタデータ) (2023-03-17T06:18:16Z) - How Reliable is Your Regression Model's Uncertainty Under Real-World
Distribution Shifts? [46.05502630457458]
本研究では,異なるタイプの分散シフトを伴う8つの画像ベース回帰データセットのベンチマークを提案する。
分散シフトがない場合、メソッドは十分に校正されているが、ベンチマークデータセットの多くに非常に自信が持たれていることが分かっています。
論文 参考訳(メタデータ) (2023-02-07T18:54:39Z) - Improving Trustworthiness of AI Disease Severity Rating in Medical
Imaging with Ordinal Conformal Prediction Sets [0.7734726150561088]
統計的に厳密な不確実性定量化の欠如は、AI結果の信頼を損なう重要な要因である。
分布自由不確実性定量化の最近の進歩は、これらの問題に対する実用的な解決策である。
本稿では, 正しい狭窄の重症度を含むことが保証される順序予測セットを形成する手法を実証する。
論文 参考訳(メタデータ) (2022-07-05T18:01:20Z) - The Hidden Uncertainty in a Neural Networks Activations [105.4223982696279]
ニューラルネットワークの潜在表現の分布は、アウト・オブ・ディストリビューション(OOD)データの検出に成功している。
本研究は、この分布が、モデルの不確実性と相関しているかどうかを考察し、新しい入力に一般化する能力を示す。
論文 参考訳(メタデータ) (2020-12-05T17:30:35Z) - UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced
Data [81.00385374948125]
我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。
UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。
非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。
UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
論文 参考訳(メタデータ) (2020-10-22T02:28:11Z) - Accurate and Robust Feature Importance Estimation under Distribution
Shifts [49.58991359544005]
PRoFILEは、新しい特徴重要度推定法である。
忠実さと頑健さの両面で、最先端のアプローチよりも大幅に改善されていることを示す。
論文 参考訳(メタデータ) (2020-09-30T05:29:01Z) - Unlabelled Data Improves Bayesian Uncertainty Calibration under
Covariate Shift [100.52588638477862]
後続正則化に基づく近似ベイズ推定法を開発した。
前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
論文 参考訳(メタデータ) (2020-06-26T13:50:19Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。